如何仅通过张量操作在张量流图中获取掩码

Question

我有两个张量，其中包含两组向量d1和d2。 d1和d2都包含5个二维向量[d1和d2在训练循环中正在变化]

import tensorflow as tf
import numpy as np
# random initialize
d1_np = np.random.rand(5,2) 
d2_np = np.random.rand(5,2) 

d1 = tf.Variable(initial_value = d1_np, dtype=tf.float32)
d2 = tf.Variable(initial_value = d2_np, dtype=tf.float32)

然后我计算它们的距离并通过cross_distance得到它们的交叉距离矩阵

dist_1_2 = cross_distance(d1, d2)  

因此会产生大小为5x5的矩阵（对角线值设置为非常大的值）。

然后对于d1中的每个向量，我得到d2中其最接近向量的索引为

ind_min = tf.argmin(dist_1_2,axis=1)

在运行过程中，ind_min获得类似[2 0 0 1 0]的值

然后，我使用tf.unique在ind_min中获取唯一索引

yv,idx = tf.unique(ind_min)

现在yv变成[2 0 1]。 我想设置一个遮罩，看看d2中的对应向量是否是d1中某些向量的壁橱向量。

mask = tf.cast(tf.ones(5),tf.bool)

现在，我希望将yv中的那些索引的mask值设置为零。 我试过了：

mask[yv] = 0

（“张量”对象不支持项目分配）和

for ind in tf.unstack(yv):
    mask[yv] = 0

（无法从形状（？，）推断num），它不起作用。

关键点是d1，而d2在某些训练过程中正在变化，因此ind_min不是固定的，而是随训练循环而变化。

有没有办法动态获得这个面具？

Answer 1

创建索引的一次性编码并沿第一个维度进行添加将为您提供掩码。 即

mask = tf.reduce_sum(tf.one_hot(idx, 5), axis=0)

掩码大小（硬编码5）可以替换为d1.shape[0] 。